[发明专利]充电站功率利用率预测模型的训练方法、装置及介质

权利要求书

1.充电站功率利用率预测模型的训练方法，其特征在于，包括以下步骤：

构建样本充电站的样本数据集；所述的样本数据集中包括：样本充电站的样本特征和该样本充电站实际功率利用率；所述样本特征包括样本充电站的属性特征、样本充电站周围的预设区域内其他场所的属性特征、与样本充电站之间的距离满足预设距离条件的其他充电站的属性特征；其中，所述样本充电站的属性特征包括：交流桩的数量、直流桩的数量、充电枪的数量、每个充电枪的功率、充电站的额定总功率；所述其他充电站的属性特征包括：其他充电站直流桩的数量、其他充电站交流桩的数量、其他充电站总功率、其他充电站距离样本充电站的平均距离；

根据所述样本数据集中样本特征的属性特征，生成表征样本充电站数据分布的统计特征；

根据所述样本数据集中样本特征的属性特征，生成表征多个样本特征协同作用于样本充电站实际功率利用率的交叉特征；

从样本数据集的样本特征、生成的统计特征和交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征；

构建包括所述目标特征和样本充电站实际功率利用率的训练数据集；

利用训练数据集对梯度提升树模型进行训练，得到训练好的功率利用率预测模型；其中，所述功率利用率预测模型用于对待预测充电站的功率利用率进行预测，利用训练数据集对梯度提升树模型进行训练时，还通过贝叶斯优化算法对梯度提升树模型的超参数进行挑选，得到包括挑选出的超参数的训练好的功率利用率预测模型。

2.根据权利要求1所述的充电站功率利用率预测模型的训练方法，其特征在于，根据所述样本数据集中样本特征的属性特征，生成表征多个样本特征协同作用于样本充电站实际功率利用率的交叉特征，包括以下步骤：

从样本数据集中的样本特征中选择指定的多个样本特征；

根据所述的样本特征的属性特征，将若干个样本特征进行交叉统计得到交叉特征。

3.根据权利要求2所述的充电站功率利用率预测模型的训练方法，其特征在于，从样本数据集的样本特征、生成的统计特征和交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征，包括以下步骤：通过互信息法，从样本数据集的样本特征和生成的特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征。

4.根据权利要求1所述的充电站功率利用率预测模型的训练方法，其特征在于，通过贝叶斯优化算法挑选梯度提升树模型的超参数包括以下步骤：

从超参数空间选择N组超参数；

利用训练数据集对梯度提升树模型进行N次训练，获取与N组超参数对应的N个指标；所述的N次训练中，梯度提升树模型的超参数分别为所述的N组超参数；所述的指标表征梯度提升树模型的预测精度；

将N组超参数和N个指标组成超参数数据集；

判断超参数数据集是否满足预设条件；

若满足，则确定超参数数据集中最优的指标对应的超参数为最优超参数；

若不满足，则重复以下超参数数据集优化步骤，直至超参数数据集满足预设条件：

利用所述的超参数数据集和高斯过程回归模型，获取一组新的超参数；

获取与新的超参数所对应的新指标；

将新的超参数和新指标添加至超参数数据集中进行更新，得到更新后的超参数数据集。

5.根据权利要求1所述的充电站功率利用率预测模型的训练方法，其特征在于，样本数据集中的样本充电站的实际功率利用率通过以下方式得到：

获取样本充电站预设时间段内每个充电桩的订单数据；

利用所述的订单数据获取样本充电站的实际功率利用率。

6.根据权利要求1所述的充电站功率利用率预测模型的训练方法，其特征在于，构建样本充电站的样本数据集时，所述的样本充电站的数量为多个；所述的样本充电站的样本数据集中包括：每个样本充电站的样本特征和该样本充电站的实际功率利用率。